PCA 入門

R による教師なし学習

Hank Roark

Senior Data Scientist at Boeing

クラスタリングの2つの手法

クラスタリングの2つの手法 - 均質な項目のグループを見つける
次は次元削減について学びます
- 特徴量の構造を見つける
- 可視化に役立てる

次元削減

代表的な手法が主成分分析（PCA）です
特徴量の低次元表現を求める際の3つの目標
- 変数の線形結合で主成分を作成する
- データの分散を最大限維持する
- 主成分同士は無相関（つまり直交）である

PCA の直感的理解

散布図

PCA の直感的理解

回帰直線

PCA の直感的理解

主成分スコアの射影

高次元データの可視化

データの次元数の違い

可視化

iris データセットへの PCA の適用

R での PCA

pr.iris <- prcomp(x = iris[-5],
                  scale = FALSE,
                  center = TRUE)

summary(pr.iris)

Importance of components:
                          PC1     PC2    PC3     PC4
Standard deviation     2.0563 0.49262 0.2797 0.15439
Proportion of Variance 0.9246 0.05307 0.0171 0.00521
Cumulative Proportion  0.9246 0.97769 0.9948 1.00000

練習しましょう！

R による教師なし学習